基于視覺數據驅動的棉花異性纖維檢測

師紅宇　管聲啟

摘要： 為了提高棉花異性纖維檢測準確性及快速性，提出一種基于視覺數據驅動的棉花異性纖維檢測新方法。首先，對采集棉花異性纖維圖像進行小波金字塔多層分解，實現棉花異性纖維圖像中各信息的分離；然后使用meanshift算法平滑圖像，消除光照不均的干擾；在此基礎上，采用中央-周邊操作算子和融合操作構建顯著圖，從而提高異性纖維的顯著度；最后，利用改進的區域生長法獲得目標區域。文章采用視覺數據驅動構建的檢測模型，結構簡單、檢測速度快、準確率高。實驗結果表明，該檢測方法能夠有效實現棉花異性纖維的檢測，提高檢測準確性和快速性，為棉花異性纖維自動檢測提供一種新方法。

關鍵詞： 異性纖維；數據驅動；顯著圖；meanshift算法；改進的區域生長法

中圖分類號： TS101.91；TP391.41

文獻標志碼： A

文章編號： 10017003（2017）05003607

引用頁碼： 051107

Abstract： In order to improve the accuracy and rapidity of cotton foreign fiber detection， a new method based on visual data driven to detect cotton foreign fibers is proposed. Firstly， cotton foreign fiber image was decomposed into multiple layers by wavelet Pyramid， to achieve the separation of all kinds of information in the cotton foreign fiber image. Secondly， meanshift method was applied to smoothen the image so as to eliminate the interference of uneven light. On this basis， saliency map was constructed by centersurround operator and fusion operator， to improve saliency degree of cotton foreign fibers. Finally， the target area was obtained by using the improved region growing method. This detection model has the advantages of simple structure， fast detection speed and high accuracy. The experimental results show that the detection method can effectively detect the foreign fiber， and improve the detection accuracy and rapidity. This paper provides a new method for automatic detection of cotton foreign fibers.

Key words： foreign fibers； data driven； saliency map； meanshift algorithm； improved region growing method

棉花是紡織企業加工處理的原材料，在原棉加工處理過程中由于很多原因混入了多種異性纖維（棉花中的異性纖維是指混入棉花中非棉纖維和非本色纖維，如棉籽、棉殼、棉葉、毛發、塑料繩、染色線等），這些混入棉花中的異性纖維，在紡織加工中被碎成單纖維，對棉紗和布面的質量造成了很大危害，難以清除[12]。因此，棉花異性纖維的檢測和剔除是紡織企業的一個重要必備環節。然而，目前對異性纖維的檢測主要還是采用人工檢測，而這種方法通常檢測效率低下，容易受檢測環境的影響[34]。

隨著機器視覺理論的發展，在棉花異性纖維檢測中引入機器視覺，使得異性纖維檢測的工作效率得到了改善，異性纖維檢出率提高了[56]。如王波[7]提出了基于多尺度小波的棉花異纖檢測算法；張南賓等[8]提出了一種基于小波變換的棉花異纖檢測算法；王昊鵬等[9]提出了一種基于改進的粒子群多閥值的白色異性纖維檢測算法；杜玉紅等[10]提出了一種應用聚類統計分析的棉花異纖圖像檢測算法；W. Kiechl等[11]提出了一種棉花中白色丙綸異纖的檢測方法。這些棉花異性纖維檢測方法雖然取得了一定的成果，但對于那些低對比度的異性纖維，檢測準確率比較低，某種具體算法往往只能適用某幾類異性纖維的檢測，很難具有普適性[1213]。因此，本文提出了一種基于視覺數據驅動的棉花異性纖維檢測新方法，將視覺注意機制引入到棉花異纖檢測中，將計算資源優先分配給那些視覺感興趣區域，極大地提高了異纖的檢測效率。

視覺注意機制模型分為視覺數據驅動模型和視覺任務驅動模型兩種，其中視覺數據驅動模型是一種自底向上注意機制模型，視覺任務驅動模型是一種自頂向下注意機制模型。視覺數據驅動模型可以在一定程度上模擬人類視覺注意機制，該模型通過圖像底層特征驅動，提高檢測目標的顯著度而形成視覺注意。為了增強棉花中異性纖維顯著度，提高異性纖維檢測準確率，本文采用視覺數據驅動模型，構建異性纖維的顯著圖，增大異性纖維與正常棉花纖維背景之間的對比度，來有效提高棉花異性纖維的檢測效果。

1棉花異性纖維檢測算法

1.1視覺數據驅動模型的構建

1.1.1Itti模型

Itti模型是一個典型的數據驅動的視覺注意模型，是由Itti等人于1998年提出來的。Itti模型包括三個步驟：特征提取、顯著圖生成和注意焦點確定與轉移。該模型首先對原始圖像采用不同尺度求出顏色、亮度、方向上的特征圖，然后通過合并策略將這些特征圖整合成一副顯著圖，最后采用勝者為王（WAT）神經網絡和禁止返回機制來引導注意轉移[14]。其流程如圖1所示。

由于Itti模型的提出并不是針對于某一個具體的應用，所以不能直接用于異纖的檢測，而且Itti模型也存在一些缺陷，如顯著區與目標區域有偏差、計算量較大、計算復雜度太高，不適合于現實應用。

1.1.2Itti改進模型的構建

為了實現棉花異性纖維的檢測，增大棉花異性纖維與正常棉花纖維之間的對比度，本文在研究數據驅動Itti模型基礎上，結合棉花特性，僅選擇灰度特征進行分解；構建Itti改進模型[1517]，其模型如圖2所示。

通過圖1和圖2兩種模型對比，Itti改進模型結構簡單、檢測速度快、準確率高。該模型主要是采用數據驅動實現棉花異性纖維信息的檢測，具有針對性，根據棉花異性纖維特性，僅選擇灰度特征進行分解，計算量明顯降低，檢測速度快；其次，Itti模型只是標記出注意焦點，Itti改進模型不僅標出了注意焦點，還采用改進的區域生長法對注意焦點進行分割，獲取檢測目標，準確率高。

通過該模型能夠提高異性纖維的顯著度，其算法流程為：小波金字塔多層分解，meanshift平滑濾波，中央-周邊操作及融合，顯著圖異性纖維的分割。

1.2小波金字塔多層分解

小波具有多分辨率特征，能夠將不同頻率的信息分解在不同圖層中，從而有利于提取各圖層信息。小波多層分解如下式所示：

細節子圖；HLi（x，y）表示垂直細節子圖；HHi（x，y）表示對角線細節子圖。

小波每次分解獲得反應低頻信息的近似LL，垂直高頻信息的水平細節子圖LH，水平高頻信息的垂直細節子圖HL，水平及垂直高頻信息的對角線細節子圖HH；每次小波分解都進行向下2抽樣，以保證子圖總尺寸相等，小波金字塔分解結構如圖3（a）所示。由于棉花異性纖維主要以低頻的近似信息為主，因此，本文僅選用近似子圖LL進行分解；采用小波三層分解，能夠實現采樣數據中異性纖維信息與背景的分離，滿足實驗的需求，所以本文選用DB2小波對棉花異性纖維進行三層金字塔分解，近似子圖金字塔如圖3（b）所示。

1.3meanshift平滑圖像

為了減少光照干擾，采用meanshift算法對棉花異性纖維圖像的低頻部分進行平滑處理，以消除光照不均的影響[18]。

如果在d維空間中設置n個樣本點，則meanshift矢量的一般形式定義如下：

Mh（x）=1k∑xi∈Sh（xi-x）（2）

式中：k是指在n個樣本點中落入Sh區域的個數；（xi-x）是一個集向量。

其中Sh是一組y，這是一個半徑為h的高維球面區域，定義如下：

Sh（x）=y：（y-x）T（y-x）≤h2（3）

通過meanshift矢量的一般形式可以獲得一種擴展形式：

Mh（x）=∑ni=1GH（xi-x）w（xi）（xi-x）∑ni=1GH（xi-x）w（xi）（4）

式中：G（x）是一個單位內核函數；H是一個正定對稱d×d維矩陣；w（xi）是加權系數，其值不小于零。

其中GH定義如下：

GH（xi-x）=H-12G（H-12（xi-x））（5）

1.4棉花異性纖維顯著圖

1.4.1中央周邊操作算子

由于棉花異性纖維特征主要分布在低頻近似子圖中，因此采用下式對棉花異性纖維近似子圖進行中央周邊差分操作，以提高異性纖維顯著度。

LL（ξ）=LL（s）ΘLL（c）（6）

式中：Θ為中央周邊差分操作；c代表中央尺度，s=c+ξ是周邊尺度；LL代表近似子圖；LL（ξ）代表近似差分子圖。

由于棉花異性纖維圖像進行三層小波分解，對1層、2層近似子圖進行中央周邊操作，2層、3層近似子圖進行中央周邊操作，能夠增強采樣數據中異性纖維信息的顯著度，因此中央尺度c分別取1層近似子圖和2層近似子圖；周邊層s分別取2層近似子圖和3層近似子圖。

1.4.2子圖融合

對近似差分子圖進行歸一化，然后采用下式進行相加融合形成顯著子圖。

SLL=∑LL（ξ）（7）

式中：SLL表示面向異性纖維顯著圖。

1.5目標生成

本文采用改進的區域生長法對棉花異性纖維顯著圖進行分割，從而獲得檢測目標。

從選定生長點開始，依據帶約束條件的生長規則，按順序對生長點附近的像素進行一致性判斷，即判斷其3×3鄰域的灰度均值是否滿足一致性規則，滿足一致性條件的像素并入生長區中，從而完成目標的分割[19]。

設已生長得到區域為R，其灰度均值m和標準差σ作為衡量灰度一致性的特征量，其中m=1n∑（l，c）∈RSLL（l，c）和σ=1n∑（l，c）∈RSLL（l，c）-m2。

生長點灰度均值為：

Gray（seed）=19（∑1j=-1∑1i=-1SLL（seedl+j，seedc+i））（8）

式中：seed表示待生長的3×3鄰域內像素點，SLL（seedl+j，seedc+i）表示3×3鄰域內具體的一個像素點的灰度值，Gray（seed）表示3×3鄰域內像素點灰度均值。

采用最大類間方差法確定的最佳灰度閾值為T1，灰度變化閾值T2=1-σm×Tc，其中Tc是人為設定的反映生長條件苛刻程度的量。

帶有約束條件的生長規則定義如下：

|SLL（1，c）-m|≤T2

SLL（1，c）≤T1若Gray（seed）≤T1（約束條件）（9）

式中：SLL（1，c）=19∑i=l+1i=l-1∑j=c+1j=c-1SLL（i，j）。

2仿真實驗與分析

2.1檢測效果分析

選取含有棉殼、紅色塑料、棉籽、棉葉、透明塑料、白色線頭等雜質的樣本圖像來驗證本文算法（Itti改進算法）分割的準確性。采用改進的區域生長法對本文模型的顯著圖進行分割和目標提取，分割效果如圖4所示。由圖4可以看出，本文推薦的方法能夠有效分割出各種異性纖維。

2.2檢測準確率和快速性分析

本文算法的檢測準確率規定圖像分割出異性纖維區域面積與人工標記出異性纖維區域面積相差在10%之內定為正確檢測，準確率定義如下：

DA/%=NdefectNall×100（10）

式中：DA表示棉花異性纖維檢測準確率，檢測準確率越高，檢測效果越好；Nall表示含有異性纖維的檢測圖像的數量；Ndefect表示能夠被正確識別的含有異性纖維圖像的數量[20]。

本文實驗方案的設計思想為：一是分析本文算法檢測的準確率；二是客觀算法之間的比較實驗，將本文算法與傳統經典算法進行對比實驗；三是客觀算法與主觀算法的比較實驗，將本文算法與人工檢測進行對比實驗。在實驗過程中，為了驗證本文算法的準確率和快速性，本文選取含有棉殼、紅色塑料、棉籽、棉葉、透明塑料、白色線頭等雜質的樣本圖像各100幅，大小為256（像素）×256（像素），進行實驗分析。

2.2.1本文算法檢測準確率

根據本文檢測準確率規定，樣本數據分割出的區域面積計算結果落在（-0.1，0.1）區間內即為正確檢測，否則認為是誤檢。其中計算結果落在（-0.1，0）區間內，表示圖像分割出的區域面積小于人工標記的區域面積；計算結果落在（0，0.1）區間內，表示圖像分割出的區域面積大于人工標記的區域面積。選取上述樣本圖像各100幅，分析并統計本文算法的準確率，實驗結果如圖5所示。

由圖5分析可知，本文算法檢測準確率整體較高，特別是異性纖維圖像與背景圖像對比度越大，如紅色塑料、棉殼、棉籽等，其檢出準確率越高；而異性纖維圖像與背景圖像對比度較小，如透明塑料、白色線頭等，其檢出準確率相對較低，但是也達到了90%以上。因此，本文采用視覺數據驅動模型，增大異性纖維與正常棉花纖維背景之間的對比度，其檢測準確率高。

2.2.2本文算法與傳統經典算法的比較

2.2.2.1準確率分析

選取上述樣本圖像各100幅，分別采用本文算法、ST算法[21]、SR算法[22]和Itti算法進行準確率檢測實驗。為了進行相關實驗，Itti算法采用最大類間方差法實現對目標區域的分割，實驗結果如表1所示。

通過對表1分析可知，Itti算法和SR算法檢測準確率相對較低，很難滿足異性纖維在線檢測的要求。ST算法檢測準確率波動較大，對于對比度較高的異性纖維檢測準確率較高，對比度較小的異性纖維檢測準確率較低，檢測普適性較差。本文算法檢測準確率整體較高，含有紅色塑料、棉殼、棉籽等雜質的圖像的檢出率較高，那是因為背景圖像與異性纖維圖像對比度較大，目標區域容易分割；含有透明塑料、白色線頭等雜質的圖像檢出率相對較低，可能的原因是背景圖像與異性纖維圖像對比度較小，或者異性纖維在棉層中的位置較深，目標區域分割較難。雖然如此，但檢出率也達到了90%以上。總體而言，本文算法檢測準確率比較高，其范圍分布在90%～98%，說明本文算法檢測具有普適性。

2.2.2.2快速性分析

選取上述樣本圖像各100幅，分別采用本文算法、ST算法、SR算法和Itti算法進行快速性檢測實驗，結果如表2所示。

通過對表2分析可知，本文算法各類樣本的平均檢測速度都在180ms左右，要明顯優于Itti算法和ST算法；SR算法的檢測速度雖然也較快，但相比之下，本文算法的檢測速度更快一些。由于棉花異性纖維主要以低頻的近似信息為主，本文僅選用近似子圖LL進行分解。因此，本文算法的速度更快，整體優于Itti、ST和SR算法。

2.2.3本文算法與人工檢測算法的比較

為了驗證本文算法代替人工檢測的可能性，將本文算法與人工檢測進行對比實驗。當人工檢測時，需選擇3名經過培訓的檢驗人員進行人工檢測；當3名檢驗人員檢驗結果不一致時，采用少數服從多數原則進行結果認定；當3名檢驗人員檢驗結果互不一致時，認定此幅圖檢驗結果無效。

實驗時，選取上述樣本圖像各100幅，分別采用本文算法和人工檢測進行準確率和快速性檢測實驗，結果如表3所示。

通過對表3分析可知：樣本中對比度較高的異性纖維圖像，二者檢測準確率都較高，但相比之下本文算法更高一些。對比度較低的異性纖維圖像，如透明塑料，人工檢測準確率雖然也較高，耗時卻比其他異性纖維增長較多；白色線頭，人工檢測速度雖然有所提高，但是檢測準確率又較低。總而言之，人工檢測總是以犧牲準確率或快速性為代價的；而本文算法對于任何纖維的時間開銷變化很小，檢測準確率高，波動小。主要原因在于：對于任何一種異性纖維，本文算法的計算量基本不變導致耗時變化不大；采用提高異性纖維對比度的方法，能夠有效的提高低顯著性異性纖維檢測準確率。

因此，本文推薦的方法能夠代替人工視覺檢測。

3結論

為了提高棉花異性纖維檢測的準確性和快速性，本文提出了一種基于視覺數據驅動的棉花異性纖維檢測方法。通過小波金字塔多層分解、meanshift平滑濾波、中央周邊操作、差分子圖融合形成顯著圖，以提高異性纖維顯著度；然后，采用改進的區域生長法能準確分割出棉花中的異性纖維。本文采用視覺數據驅動構建的檢測模型，結構簡單、檢測速度快、準確率高。實驗結果表明：本文方法與傳統經典ST、SR和Itti算法相比，檢測準確率較高，尤其對低對比度的異性纖維檢測時，表現良好的魯棒性；本文方法與人工檢測對比，具有檢測時間少、檢測準確率高的特點；本文檢測方法為棉花異性纖維檢測提供了一種新方法。

參考文獻：

[1]STEILZ H M. ITMF Cotton Contamination Survey 1999[M]. Cotton Conf in Texas： USA，2000：6367.

[2]姚穆.關于中國“紡織質量”之淺見[J].中國紡織，2016（2）：33.

YAO Mu. A review on “China textile quality”[J]. China Textile，2016（2）：33.

[3]汪雪野，謝標.全球有機棉發展現狀及展望[J].江蘇農業科學，2016，44（1）：2125.

WANG Xueye， XIE Biao. Development status and prospect of organic cotton in the world[J]. Jiangsu Agricultural Sciences，2016，44（1）：2125.

[4]石庚堯.淺談異纖纖維撿出裝置[J].北京紡織，2003，24（3）：5153.

SHI Gengyao. Discussion of foreign fibers dection device[J]. Beijing Textile Journal，2003，24（3）：5153.

[5]TANTASWADI P， VILAINATRE J， TAMAREE N. Machine vision for automated visual inspection of cotton quality in textile industry using color iso discrimination contour[J]. Computers and Industrial Engineering，1999，37（12）：347350.

[6]郭俊先，應義斌.皮棉中雜質檢測技術與檢出裝備的研究進展[J].農業機械學報，2008，39（7）：107113.

GUO Junxian， YING Yibin. Progress on detecting technique and sorter of raw cotton foreign matters[J]. Transactions of the Chinese Society for Agricultural Machinery，2008，39（7）：107113.

[7]王波.基于多尺度小波的棉花異纖檢測算法[J].控制工程，2009，16（S1）：173175.

WANG Bo. Foreign fiber detection arithmetic based on multiscale wavelet[J]. Control Engineering of China，2009，16（S1）：173175.

[8]張南賓，劉小平.基于小波變換的棉花異纖檢測算法研究[J].計算機仿真，2012，29（4）：301304.

ZHANG Nanbin， LIU Xiaoping. Research on foreign fiber detection algorithm based on wavelet transform[J]. Computer Simulation，2012，29（4）：301304.

[9]王昊鵬，馮顯英，王娜，等.基于改進的粒子群多閥值算法的白色異性纖維檢測[J].農業工程學報，2013，29（23）：153158.

WANG Haopeng， FENG Xianying， WANG Na， et al. Detection of white foreign fibers based on improved particle swarm algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering，2013，29（23）：153158.

[10]杜玉紅，王加富，蔣秀明，等.應用聚類統計分析的棉花異纖圖形檢測算法[J].紡織學報，2015，36（3）：135139.

DU Yuhong， WANG Jiafu， JIANG Xiuming， et al. Algorithm for pattern detection of cotton foreign fibers based on cluster statistic analysis[J]. Journal of Textile Research，2015，36（3）：135139.

[11]KIECHL W，朱鵬程.棉花中白色丙綸異纖的檢測方法[J].國際紡織導報，2015，43（6）：6162.

KIECHL W， ZHU Pengcheng. Concept for fighting white polypropylene in cotton[J]. Melliand China，2015，43（6）：6162.

[12]師紅宇，管聲啟，吳寧.棉花中異性纖維的圖像多分辨率差分檢測方法[J].紡織學報，2014，35（5）：1318.

SHI Hongyu， GUAN Shengqi， WU Ning. Detection of foreign fibers among cotton based on image multiresolution difference method[J]. Journal of Textile Research，2014，35（5）：1318.

[13]師紅宇，管聲啟.基于視覺注意計算模型的棉花異性纖維檢測[J].東華大學學報（自然科學版），2016，42（3）：400405.

SHI Hongyu， GUAN Shengqi. Cotton foreign fibers detection based on visual attention computational model[J]. Journal of Donghua University （Natural Science），2016，42（3）：400405.

[14]GAO Ke， LIN Shouxun， ZhANG Yongdong. Attention model based SIFT keypoints filtration for image retrieval[C]//Proc of 7th IEEE/ACIS International Conference on Computer and Information Science，2008：191196.

[15]ITTI L. Models of Bottomup and Topdown Visual Attention[D]. California： California Institute of Technology，2000：1034.

[16]張鵬，王潤生.由底向上視覺注意中的層次性數據競爭[J].計算機輔助設計與計算機圖形學學報，2005，17（8）：16671672.

ZHANG Peng， WANG Runsheng. Hierarchical data competition in the bottomup visual attention system[J]. Journal of Computer Aided Design & Computer Graphics，2005，17（8）：16671672.

[17]WALTHER D， RUTISHAUSER U， KOCH C， et al. Selective visual attention enables learning and recognition of multiple objects in cluttered scenes[J]. Computer Vision and Image Understanding，2005，100（1/2）：4163.

[18]趙海英，張小利，李雄飛，等.基于多尺度Meanshift圖像去噪算法[J].吉林大學學報（工學版），2014，44（5）：14171422.

ZHAO Haiying， ZHANG Xiaoli， LI Xiongfei， et al. Image denoising algorithm based on multiscale meanshift[J]. Journal of Jilin University （Engineering and Technology Edition），2014，44（5）：14171422.

[19]張玲，郭磊民，何偉，等.一種基于最大類間方差和區域生長的圖像分割法[J].信息與電子工程，2005，3（2）：9196.

ZHANG Ling， GUO Leimin， HE Wei， et al. An image segmentation algorithm based on maximal variance betweenclass and region growing[J]. Information and Electronic Engineering，2005，3（2）：9196.

[20]GUAN Shengqi， GAO Zhaoyuan. Fabric defect image segmentation based on the visual attention mechanism of the wavelet domain [J]. Textile Research Journal，2014，84（10）：10181033.

[21]WALTHER D， KOCH C. Modeling attention to salient proto objects[J]. Neural Netw，2006，19：13951407.

[22]HOU X， ZHANG L. Saliency detection： a spectral residual approach[C]// IEEE Conference on Computer Vision and Pattern Recognition，2007：18.